Using machine learning to gain insights into chronic disease multimorbidity: trends and patterns in British Columbia, Canada
Notice bibliographique
Résumé
ObjectiveThe goal of this project is to explore novel ways to assess chronic disease multimorbidity (co-occurrence of two or more conditions) trends and patterns in the population of British Columbia (BC), Canada. ApproachThis study included linked data from the BC population (~5M individuals) from 2001/02 to 2019/20. We analysed 25 chronic conditions, including 7 primary cancer subtypes. We report multimorbidity (MM) incidence, prevalence, and most common disease combinations. Further we explore temporal MM disease patterns using directed network analyses and extracted data-driven disease clusters with an unsupervised machine learning algorithm. ResultsThe age-standardized incidence of MM stayed relatively stable over the study period for males and decreased for females, while prevalence increased to approximately 1 in 4 individuals in BC in 2019/20 (from 19% to 27% of females, from 15% to 22% of males). Disease networks and clusters varied significantly by sex and age group, this presentation will highlight select disease network and cluster findings and discuss their implications for chronic disease surveillance. ConclusionsThe prevalence of multimorbidity continues to rise in BC. Using advanced analytics to understand disease co-occurrence patterns provides new insights above and beyond traditional epidemiological metrics to support health system planning and prevention efforts. ImplicationsChronic disease surveillance and research have historically operated with a single disease focus, which is not patient-centered and does not adequately account for the reality of multimorbidity for many people. This project is laying the foundation for enhanced chronic disease surveillance and monitoring in BC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».